1

我有一个标题数据集，例如

http://www.stackoverflow.com/lifestyle/tech/this-is-a-very-nice-headline-my-friend/2013/04/26/acjhrjk-2e1-1krjke4-9el8c-2eheje_story.html?tid=sm_fb

http://www.stackoverflow.com/2015/07/15/sports/baseball/another-very-nice.html?smid=tw-somedia&seid=auto

http://worldnews.stack.com/news/2013/07/22/54216-hello-another-one-here?lite

http://www.stack.com/article_email/hello-one-here-that-is-cool-1545545554-lMyQjAxMTAHFJELMDgxWj

http://www.stack.com/2013/11/13/tech/tricky-one/the-real-one/index.html

http://www.stack.com/2013/11/13/tech/the-good-one.html

http://www.stack.com/news/science-and-technology/54512-hello-world-here-is-a-weird-character#b02g07f20b14

我需要从这些链接中提取正确的标题，即：

  • 这是一个非常好的标题我的朋友
  • 另一个非常好
  • 你好-另一个-这里
  • 你好，这里很酷
  • 真实的
  • 好人
  • hello-world-here-is-a-weird-character

所以规则似乎找到了表格中最长的字符串——在右边界或左边界word1-word2-word3有 a并且没有考虑/

  1. 超过 3 个数字的单词（例如acjhrjk-2e1-1krjke4-9el8c-2eheje在第一个链接中，或54216在第三个链接中，
  2. 不包括.html.

如何在 Python中使用正则表达式来做到这一点？不幸的是，我相信正则表达式是唯一可行的解​​决方案。诸如yurlor之类的包urlparse可以捕获 url 的路径，但后来我又回到使用正则表达式来获取标题..

非常感谢！

4

1 回答 1

1

毕竟，正则表达式可能不是你最好的选择。
但是，根据您提出的规范，您可以执行以下操作：

import re

urls = ['http://www.stackoverflow.com/lifestyle/tech/this-is-a-very-nice-headline-my-friend/2013/04/26/acjhrjk-2e1-1krjke4-9el8c-2eheje_story.html?tid=sm_fb',
'http://www.stackoverflow.com/2015/07/15/sports/baseball/another-very-nice.html?smid=tw-somedia&seid=auto',
'http://worldnews.stack.com/news/2013/07/22/54216-hello-another-one-here?lite',
'http://www.stack.com/article_email/hello-one-here-that-is-cool-1545545554-lMyQjAxMTAHFJELMDgxWj',
'http://www.stack.com/2013/11/13/tech/tricky-one/the-real-one/index.html',
'http://www.stack.com/2013/11/13/tech/the-good-one.html',
'http://www.stack.com/news/science-and-technology/54512-hello-world-here-is-a-weird-character#b02g07f20b14']

regex = re.compile(r'(?<=/)([-\w]+)(?=[.?/#]|$)')
digits = re.compile(r'-?\d{3,}-?')

for url in urls:
    substrings = regex.findall(url)
    longest = max(substrings, key=len)
    headline = re.sub(digits, '', longest)
    print headline

这将打印 

 this-is-a-very-nice-headline-my-friend
 another-very-nice
 hello-another-one-here
 hello-one-here-that-is-coollMyQjAxMTAHFJELMDgxWj
 the-real-one
 the-good-one
 hello-world-here-is-a-weird-character

在 ideone.com 上查看演示。

解释

在这里，正则表达式使用环视来寻找/后面和.?/#前面。捕获任何单词字符和中间的破折号。
这不是很具体，但如果您正在寻找最长的子字符串并在之后消除三个以上的连续数字，这可能是一个很好的起点。
正如评论中已经说过的那样，使用语言工具可能会更好。

于 2016-06-22T17:51:01.680 回答